CN115201684A - 一种锂离子电池不同衰退模式下的寿命评估方法 - Google Patents

一种锂离子电池不同衰退模式下的寿命评估方法 Download PDF

Info

Publication number
CN115201684A
CN115201684A CN202210809936.3A CN202210809936A CN115201684A CN 115201684 A CN115201684 A CN 115201684A CN 202210809936 A CN202210809936 A CN 202210809936A CN 115201684 A CN115201684 A CN 115201684A
Authority
CN
China
Prior art keywords
characteristic
lithium ion
battery
ion battery
battery capacity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210809936.3A
Other languages
English (en)
Inventor
李文华
王洋洋
李洋
郝永耀
王刚
侯振康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou Hengyuan Electrical Appliances Co ltd
Hebei University of Technology
Original Assignee
Xuzhou Hengyuan Electrical Appliances Co ltd
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xuzhou Hengyuan Electrical Appliances Co ltd, Hebei University of Technology filed Critical Xuzhou Hengyuan Electrical Appliances Co ltd
Priority to CN202210809936.3A priority Critical patent/CN115201684A/zh
Publication of CN115201684A publication Critical patent/CN115201684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供一种锂离子电池不同衰退模式下的寿命评估方法，包括以下步骤：在某一温度下，对锂离子电池进行多次充放电；采集充放电过程中的用于表征电池容量的特征量的特征量集；在特征数据集中选取N种特征量，将N种特征量进行分组；将相同分组的特征量的值输入初步预测模型，输出电池容量的预测值；重复上一步骤，依次计算不同分组下的电池容量的预测值；将具有相同分组的预测值拟合，得到多个衰退曲线；计算多个衰退曲线与标准曲线之间的误差，选取合适的特征量将其用于预测锂离子电池的电池容量衰减特性。本申请提供的一种锂离子电池不同衰退模式下的寿命评估方法具有对每个温度下的电池衰减特性进行较为准确预测的优点。

Description

一种锂离子电池不同衰退模式下的寿命评估方法
技术领域
本公开一般涉及人工智能领域，具体涉及一种锂离子电池不同衰退模式下的寿命评估方法。
背景技术
锂电池作为电动汽车的能源，因具有功率密度大，循环寿命长和自放电低等优点被广泛使用。为探索锂电池性能迅速衰减的规律许多人做了大量研究。容量是锂电池性能体现的主要方面。准确的寿命预测对锂离子电池的高效使用和避免使用过程中出现的潜在故障有重要意义。
随着人工智能技术的发展，大量的研究已经在提高机器学习的精确性和效率上展开。增加预测模型中特征数据的个数可以增加预测结果的精度，但是特征数据的增加往往会导致预测的效率的降低。以往结合数据构建预测模型的锂离子电池寿命预测方法通常没有考虑温度条件对锂电池寿命预测所造成的影响。研究表明电池的工作温度对使用寿命有重要的影响，在低温环境中电池的性能衰退非常明显，而且低温下锂电池的寿命衰退模式与常温下锂离子电池的衰退模式往往不同。
因此，对不同衰退模式，即不同温度下的锂离子电池寿命进行合理的评估成为亟需解决的问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种锂离子电池寿命评估方法以解决上述问题。
本申请提供一种锂离子电池不同衰退模式下的寿命评估方法，包括以下步骤：
S1、在设定衰退模式下，对锂离子电池进行多次充放电，所述衰退模式为当前测试温度；
S2、获取所述充放电过程每完成一次之后的特征量集，所述特征量集具有多种用于表征电池容量的特征量；
S3、在所述特征数据集中选取N种特征量，将N种所述特征量分为
Figure BDA0003740361220000021
个分组，每个分组中包含N-M种所述特征量，1≤M＜N；
S4、将相同分组的特征数据输入初步预测模型，输出所述电池容量的预测值，所述特征数据为所述特征量的数值，所述初步预测模型用于通过所述特征数据计算所述预测值；
S5、重复步骤S4，得到同一衰退模式中，不同分组下的电池容量的预测值；将具有相同分组的所述预测值拟合，得到多个衰退曲线；
S6、计算多个所述衰退曲线与标准曲线之间的误差，选取所述误差最小的所述衰退曲线所对应分组的所述特征量，将其用于预测所述锂离子电池的电池容量衰减特性，所述标准曲线为该衰退模式下电池容量的实际值形成的曲线。
根据本申请实施例提供的技术方案，在步骤S3中，所述特征数据集中选取N种特征量的方法为：通过Pearson相关系数法计算所述特征量与电池容量之间的相关性，选取与所述电池容量之间的相关系数为强相关和极强相关的特征量为N种所述特征量之一，所述强相关为所述相关系数落入第一范围内，所述极强相关为所述相关系数落入第二范围内，其中第二范围最小值的绝对值大于等于所述第一范围最大值的绝对值。
根据本申请实施例提供的技术方案，所述Pearson相关系数公式如下：
Figure BDA0003740361220000022
其中，E为数学期望，D为方差；σ为标准差；X为某个所述特征数据；Y为所述电池容量的值，ρX,Y为X与Y的相关系数。
根据本申请实施例提供的技术方案，步骤S4中，所述初步预测模型由Elman神经网络模型训练得到，模型计算公式如下：
y(k)＝g[w3x(k)]
x(k)＝f[w1xc(k)+w2(u(k-1))]
xc(k)＝x(k-1)；
其中，u(k-1)神经网络的输入，由同一分组中的N-M个所述特征数据组成；y为神经网络的输出，代表电池容量的预测值；x为中间层节点单元向量；xc为反馈状态向量；w1为承接层到隐含层的权重数据组；w2为输入层到隐含层的权重数据组；w3为隐含层到输出层的权重数据组；
隐含层激励函数为f(x)，输出层激励函数为g(x)，表达式如下：
Figure BDA0003740361220000031
根据本申请实施例提供的技术方案，在步骤S4中，当N-M＝1时，所述u(k-1)为同一分组下的每个所述特征数据；当N-M＞1时，所述u(k-1)由同一分组下的N-M个所述特征数据组成。
根据本申请实施例提供的技术方案，在步骤S6中，计算多个所述衰退曲线与标准曲线之间的误差的方法为：将相同分组下得到的所述预测值与该衰退模式下对应时间的所述实际值进行平均误差、平均相对误差、均方误差的计算，选取三个误差和最小时所对应分组中的所述特征量。
与现有技术相比，本申请的有益效果在于：通过在测试温度下对锂离子电池进行多次充放电，在充放电过程采集所述特征量集，在所述特征量集中选取N中特征量并将所述特征量分为
Figure BDA0003740361220000032
个分组，使得每个所述分组中的特征量都可以对所述电池容量进行预测；将相同分组的所述特征数据输入初步预测模型，输出所述电池容量的预测值，以相同的方法可以得到所述设定模式下其他分组的所述预测值，通过对每组所述预测值进行拟合可以得到该分组下的电池容量衰退曲线，通过计算多个所述衰退曲线与标准曲线之间的误差，通过选取所述误差最小的所述衰退曲线所对应分组的所述特征量，通过选取的所述特征量对电池容量的衰退曲线进行合理且较为准确的预测，使得在每个温度下，都能够通过选择对应的一组特征量对该温度下的电池容量衰减特性进行预测，保证每个温度与固定的一组特征量形成一一对应关系。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请提供的锂离子电池不同衰退模式下的寿命评估方法流程图；
图2为Elman神经网络结构的结构图；
图3为-10℃下100块锂离子电池的平均容量标准曲线图；
图4为25℃下100块锂离子电池的平均容量标准曲线图；
图5为-10℃下100块锂离子电池的平均容量衰退曲线与标准曲线对比图；
图6为25℃下100块锂离子电池的平均容量衰退曲线与标准曲线对比图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1，本申请提供一种设定衰退模式下的离子电池寿命评估方法，包括以下步骤：
S1、在设定衰退模式下，对锂离子电池进行多次充放电，所述衰退模式为当前测试温度；
S2、获取所述充放电过程每完成一次之后的特征量集，所述特征量集具有多种用于表征电池容量的特征量；
S3、在所述特征数据集中选取N种特征量，将N种所述特征量分为
Figure BDA0003740361220000041
个分组，每个分组中包含N-M种所述特征量，1≤M＜N；
S4、将相同分组的特征数据输入预测神经网络模型，输出所述电池容量的预测值，所述特征数据为所述特征量的数值，所述预测神经网络模型用于通过所述特征数据计算所述预测值；
S5、重复步骤S4，得到同一衰退模式中，不同分组下的电池容量的预测值；将具有相同分组的所述预测值拟合，得到多个衰退曲线；
S6、计算多个所述衰退曲线与标准曲线之间的误差，选取所述误差最小的所述衰退曲线所对应分组的所述特征量，将其用于预测所述锂离子电池的电池容量衰减特性，所述标准曲线为该衰退模式下电池容量的实际值形成的曲线。
具体的，步骤S1中，对所述锂离子电池的充放电次数应尽量多，充放电次数越多，采集所述特征量集的次数越多，进而可得到更多的电池容量的预测值；
具体的，步骤S2中，获取所述特征集的方法为：采集所述充放电过程完成一次之后的电压和电流的数据变化，从中提取所述特征集。
工作原理：通过在测试温度下对锂离子电池进行多次充放电，在充放电过程采集所述特征量集，在所述特征量集中选取N中特征量并将所述特征量分为
Figure BDA0003740361220000051
个分组，使得每个所述分组中的特征量都可以对所述电池容量进行预测；将相同分组的所述特征数据输入初步预测模型，输出所述电池容量的预测值，以相同的方法可以得到所述设定模式下其他分组的所述预测值，通过对每组所述预测值进行拟合可以得到该分组下的电池容量衰退曲线，通过计算多个所述衰退曲线与标准曲线之间的误差，通过选取所述误差最小的所述衰退曲线所对应分组的所述特征量，通过选取的所述特征量对电池容量的衰退曲线进行合理且较为准确的预测，使得在每个温度下，都能够通过选择对应的一组特征量对该温度下的电池容量衰减特性进行预测，保证每个温度与固定的一组特征量形成一一对应关系。
在一优选实施方式中，在步骤S3中，所述特征数据集中选取N种特征量的方法为：
通过Pearson相关系数法计算所述特征量与电池容量之间的相关性，Pearson相关系数公式如下：
Figure BDA0003740361220000052
其中，E为数学期望，D为方差；σ为标准差；X为某个所述特征数据；Y为所述电池容量的值，ρX,Y为X与Y的相关系数；
若0≤|ρX,Y|≤0.2，所述特征量与电池容量之间为极弱相关或无关；
若0.2≤|ρX,Y|≤0.4，所述特征量与电池容量之间为弱相关；
若0.2≤|ρX,Y|≤0.4，所述特征量与电池容量之间为中等程度相关；
若0.6≤|ρX,Y|≤0.8，所述特征量与电池容量之间为强相关；
若0.8≤|ρX,Y|≤1，所述特征量与电池容量之间为极强相关；
具体的，所述第一范围指大于等于0.6，小于等于0.8；所述第二范围指大于等于0.8，小于等于1；
选取与所述电池容量之间的相关系数为强相关和极强相关的特征量，共有N种；
对N种所述特征量进行分组，共分成
Figure BDA0003740361220000061
个组，每个分组中包含N-M种所述特征量，1≤M＜N。
在某一实施例中，N＝4，与所述电池容量之间为强相关和极强相关的特征量共有4种，分别为：
A：固定循环时间温升；
B：相同时间电池端电压变化；
C：拟合锂电池阻抗数据；
D循环结束电压回弹过程所用时间。
若M＝1，对4种所述特征量进行分组，将所述特征数据分为4种组合，4种组合具体为：
组合1包括：A、B、C：
组合2包括：A、B、D；
组合3包括：A、C、D；
组合4包括：B、C、D。
若M＝2，对4中所述特征量进行分组，将所述特征数据分为6种组合，6中组合具体为：
组合1包括：A和B；
组合2包括：A和C；
组合3包括：A和D；
组合4包括：B和C：
组合5包括：B和D；
组合6包括：C和D。
若M＝3，对4种所述特征量进行分组，将所述特征数据分为4种组合，4中组合具体为：
组合1：A；
组合2：B；
组合3：C；
组合4：D。
在一优选实施方式中，如图2所示，在步骤S4中，对所述Elman神经网络进行训练得到所述初步预测模型，模型计算公式如下：
y(k)＝g[w3x(k)]
x(k)＝f[w1xc(k)+w2(u(k-1))]
xc(k)＝x(k-1)；
其中，u(k-1)神经网络的输入，由同一分组中的N-M个所述特征数据组成；y为神经网络的输出，代表电池容量的预测值；x为中间层节点单元向量；xc为反馈状态向量；w1为承接层到隐含层的权重数据组；w2为输入层到隐含层的权重数据组；w3为隐含层到输出层的权重数据组；
隐含层激励函数为f(x)，输出层激励函数为g(x)，表达式如下：
Figure BDA0003740361220000071
在一优选实施方式中，在步骤S4中，当N-M＝1时，所述u(k-1)为同一分组下的每个所述特征数据；当N-M＞1时，所述u(k-1)由同一分组下的N-M个所述特征数据组成。
具体的，以M＝1情况为例，在设定温度下，在所述锂离子电池每次充放电循环一次之后的节点采集的所述特征量中，将每次采集中处于相同分组的所述特征量对应的特征数据作为一个训练集，所述训练集作为所述神经网络的输入，输出对应每个所述节点下的电池容量预测值；以相同方式得到该温度下其他分组下的电池容量预测值；
将在相同分组下得到的所有所述预测值进行拟合，得到该温度、该分组下的电池容量衰退曲线，分别得到4条所述衰退曲线之后，通过与标准曲线进行对比可以初步判断哪个分组下的所述衰退曲线可以相对准确的对该温度下的锂离子电池衰退特性进行表征。
具体的，M＝2和M＝3的情况同M＝1时原理相同，这里不做赘述。
在一优选实施方式中，在步骤S6中，计算多个所述衰退曲线与标准曲线之间的误差方法为：将所述衰退曲线每个所述节点的预测值与该衰退模式下标准曲线对应节点的所述实际值分别进行平均误差、平均相对误差、均方误差的计算，所述平均误差、平均相对误差和均方误差的公式如下：
Figure BDA0003740361220000081
Figure BDA0003740361220000082
Figure BDA0003740361220000083
其中，yi代表预测值，
Figure BDA0003740361220000084
代表实际值；
对相同分组下的上述三个误差进行求和，将不同分组下求得的误差和进行对比，选择误差和最小时对应分组的所述特征量，将其用于预测该温度下的锂离子电池衰减特性，即确定该衰减模式下哪些所述特征量可以较为准确地对电池的衰减特性进行预测。
实施例2，在实施例1的基础上，本实施例分别在温度为-10℃和25℃两种环境下对100块锂离子电池进行反复充放电试验，实验结束后分别绘制两个温度下100块电池的平均容量标准曲线，如图3和图4所示；接着用本申请提供的锂离子电池不同衰退模式下的寿命评估方法分别对两个温度下的电池的衰退曲线进行预测，得到如图5和图6所示的衰退曲线对标准曲线的对比图，经对比发现预测结果较为准确。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种锂离子电池不同衰退模式下的寿命评估方法，其特征在于，包括以下步骤：
S1、在设定衰退模式下，对锂离子电池进行多次充放电，所述衰退模式为当前测试温度；
S2、获取所述充放电过程每完成一次之后的特征量集，所述特征量集具有多种用于表征电池容量的特征量；
S3、在所述特征数据集中选取N种特征量，将N种所述特征量分为
Figure FDA0003740361210000011
个分组，每个分组中包含N-M种所述特征量，1≤M＜N；
S4、将相同分组的特征数据输入初步预测模型，输出所述电池容量的预测值，所述特征数据为所述特征量的数值，所述初步预测模型用于通过所述特征数据计算所述预测值；
S5、重复步骤S4，得到同一衰退模式中，不同分组下的电池容量的预测值；将具有相同分组的所述预测值拟合，得到多个衰退曲线；
S6、计算多个所述衰退曲线与标准曲线之间的误差，选取所述误差最小的所述衰退曲线所对应分组的所述特征量，将其用于预测所述锂离子电池的电池容量衰减特性，所述标准曲线为该衰退模式下电池容量的实际值形成的曲线。
2.根据权利要求1所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，在步骤S3中，所述特征数据集中选取N种特征量的方法为：通过Pearson相关系数法计算所述特征量与电池容量之间的相关性，选取与所述电池容量之间的相关系数为强相关和极强相关的特征量为N种所述特征量之一，所述强相关为所述相关系数落入第一范围内，所述极强相关为所述相关系数落入第二范围内，其中第二范围最小值的绝对值大于等于所述第一范围最大值的绝对值。
3.根据权利要求2所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，所述Pearson相关系数公式如下：
Figure FDA0003740361210000012
其中，E为数学期望，D为方差；σ为标准差；X为某个所述特征数据；Y为所述电池容量的值，ρX,Y为X与Y的相关系数。
4.根据权利要求3所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，步骤S4中，所述初步预测模型由Elman神经网络模型训练得到，模型计算公式如下：
y(k)＝g[w3x(k)]
x(k)＝f[w1xc(k)+w2(u(k-1))]
xc(k)＝x(k-1)；
其中，u(k-1)神经网络的输入，由同一分组中的N-M个所述特征数据组成；y为神经网络的输出，代表电池容量的预测值；x为中间层节点单元向量；xc为反馈状态向量；w1为承接层到隐含层的权重数据组；w2为输入层到隐含层的权重数据组；w3为隐含层到输出层的权重数据组；
隐含层激励函数为f(x)，输出层激励函数为g(x)，表达式如下：
Figure FDA0003740361210000021
5.根据权利要求4所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，在步骤S4中，当N-M＝1时，所述u(k-1)为同一分组下的每个所述特征数据；当N-M＞1时，所述u(k-1)由同一分组下的N-M个所述特征数据组成。
6.根据权利要求5所述的锂离子电池不同衰退模式下的寿命评估方法，其特征在于，在步骤S6中，计算多个所述衰退曲线与标准曲线之间的误差的方法为：将相同分组下得到的所述预测值与该衰退模式下对应时间的所述实际值进行平均误差、平均相对误差、均方误差的计算，选取三个误差和最小时所对应分组中的所述特征量。
CN202210809936.3A 2022-07-11 2022-07-11 一种锂离子电池不同衰退模式下的寿命评估方法 Pending CN115201684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210809936.3A CN115201684A (zh) 2022-07-11 2022-07-11 一种锂离子电池不同衰退模式下的寿命评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210809936.3A CN115201684A (zh) 2022-07-11 2022-07-11 一种锂离子电池不同衰退模式下的寿命评估方法

Publications (1)

Publication Number Publication Date
CN115201684A true CN115201684A (zh) 2022-10-18

Family

ID=83580283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210809936.3A Pending CN115201684A (zh) 2022-07-11 2022-07-11 一种锂离子电池不同衰退模式下的寿命评估方法

Country Status (1)

Country Link
CN (1) CN115201684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298906A (zh) * 2023-01-19 2023-06-23 四川新能源汽车创新中心有限公司 电池容量的预测模型训练方法、预测方法、装置及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298906A (zh) * 2023-01-19 2023-06-23 四川新能源汽车创新中心有限公司 电池容量的预测模型训练方法、预测方法、装置及介质
CN116298906B (zh) * 2023-01-19 2024-04-16 四川新能源汽车创新中心有限公司 电池容量的预测模型训练方法、预测方法、装置及介质

Similar Documents

Publication Publication Date Title
CN108254696B (zh) 电池的健康状态评估方法及系统
CN113009349B (zh) 一种基于深度学习模型的锂离子电池健康状态诊断方法
CN111880099B (zh) 一种储能电站站内电池单体寿命预测方法及系统
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN111426957A (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN116449218B (zh) 一种锂电池健康状态的估计方法
CN112014746A (zh) 一种区分串联电池包内外微短路的故障诊断方法
CN114636948A (zh) 一种储能系统寿命评估方法、装置、电子设备及存储介质
CN115201684A (zh) 一种锂离子电池不同衰退模式下的寿命评估方法
CN112415415A (zh) 一种基于低温环境测量的电池寿命诊断方法
CN114264964B (zh) 一种电池容量评估的方法、装置、设备及介质
CN115219918A (zh) 一种基于容量衰退组合模型的锂离子电池寿命预测方法
Eleftheriadis et al. Comparative study of machine learning techniques for the state of health estimation of li-ion batteries
CN113406520A (zh) 针对现实新能源汽车的电池健康状态估计方法
Lamprecht et al. Random forest regression of charge balancing data: A state of health estimation method for electric vehicle batteries
CN117110884A (zh) 基于多核相关向量机的锂电池剩余使用寿命预测方法
CN116736171A (zh) 一种基于数据驱动的锂离子电池健康状态估算方法
CN116679213A (zh) 基于集成深度学习的电动汽车动力电池soh估算方法
CN114062948B (zh) 一种基于3dcnn的锂离子电池soc估计方法
Sun et al. Online model identification method of vanadium redox flow battery based on time-varying forgetting factor recursive least squares
CN114355218A (zh) 一种基于多特征量筛选的锂离子电池荷电状态预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination